Cómo medir la coocurrencia de palabras clave en una muestra proporcionada de publicaciones de X

1. Definí el marco de análisis

Anotá el término objetivo y cada término asociado antes de recopilar publicaciones. Anotá las fechas de publicación que querés incluir. Anotá las URL conocidas exactas que forman el marco de análisis.

Este recuento indica qué términos asociados aparecen con el término objetivo en esa muestra proporcionada. No construye un historial de uso a lo largo del tiempo. No es un servicio de búsqueda de todas las publicaciones de X.

Registrá primero estas decisiones. Si elegís los términos asociados después de ver las palabras, podés favorecer un patrón que ya habías observado.

2. Recopilá publicaciones públicas conocidas

Un Actor es un programa alojado que recopila filas de datos de una fuente. Una Task es una configuración de entrada guardada para un Actor. Una ejecución corresponde a una vez que se ejecuta el Actor.

Usá el Actor X Post Metrics, versión pública 1.0.4. La Task actual es X Post Analytics Snapshot. La Task guarda una configuración de entrada inicial. No cuenta los términos por vos. Una Task guardada no demuestra que el recuento sea automático.

Esta versión lee `startUrls`. Cada valor debe ser la URL de una publicación pública conocida que contenga `/status/`. La lista guardada tiene 3 URL de ejemplo:

• https://x.com/OpenAI/status/2074907025537224840
• https://x.com/OpenAI/status/2074907027378511884
• https://x.com/OpenAI/status/2074907031862190406

Reemplazá toda la lista por una URL pública con `/status/` que ya conozcas. Usá esa única URL para la primera ejecución. No agregues una búsqueda. No solicites un historial de publicaciones. No configures `maxItems`. Este Actor no devuelve un archivo completo. Agregá más URL conocidas solo después de inspeccionar la primera fila.

Cada fila guardada puede contener estos campos:

`text` puede tener el valor null. Otros datos de la fila también pueden tener el valor null. Null significa que el valor falta. No significa que el recuento sea 0.

`postMetricStatus` es independiente de `text`. Tiene una entrada para cada una de las 6 métricas. Las métricas son visualizaciones, Me gusta, respuestas, republicaciones, citas y guardados en marcadores. Cada entrada tiene su propio estado y su propia precisión. La precisión indica qué tan exacto es el valor de esa métrica. No interpretes las 6 entradas como 6 niveles de una misma escala. No demuestran que el texto esté completo.

OUTPUT aporta evidencia sobre la ejecución. No es la tabla de términos. Incluye `inputCount`, `datasetRows`, `usefulRows`, `billableRows`, `failedRows`, `statusCounts` y `stopReason`. `inputCount` indica cuántas URL recibió la ejecución. `datasetRows` indica cuántas filas se guardaron. `usefulRows` es el total de filas útiles de la ejecución. `billableRows` es el total de filas facturables de la ejecución. `failedRows` es el total de filas fallidas de la ejecución. `statusCounts` agrupa las filas por estado. `stopReason` indica por qué se detuvo la ejecución. Estos totales no son los campos de cada fila.

En una lectura verificada de una publicación pública conocida de OpenAI, se obtuvieron el identificador correcto de la publicación y el identificador correcto del perfil. También se obtuvieron la fecha y hora de publicación y los contadores actuales. El texto estaba presente y no estaba vacío. Tenía 200 caracteres. Este artículo no reproduce ese texto. El OUTPUT de esa verificación fue `inputCount` 1, `datasetRows` 1, `usefulRows` 1, `billableRows` 1 y `failedRows` 0. `statusCounts` fue ok 1. `stopReason` fue `inputs_exhausted`.

Ese resultado demuestra que se pudo obtener texto de una publicación pública conocida. No demuestra que se obtenga el mismo resultado para todas las URL. No demuestra que se haya leído texto de una imagen. No demuestra que se haya leído el cuerpo de una publicación citada, una página enlazada o lo que se dice en un video. Las partes ocultas o restringidas necesitan una verificación aparte. Un estado ok no demuestra que el texto sea suficiente para tu recuento. Un texto de 200 caracteres no demuestra que la fila contenga toda la publicación.

Identificá las filas que corresponden a una misma publicación mediante `postId`, para que cada publicación sea una unidad. Conservá `publishedAt` y `observedAt`. Si falta el identificador de la publicación, asignale un estado propio a ese intento. Si falla la fuente, asignale un estado propio a ese intento. Si tu marco de análisis usa fechas, un `publishedAt` desconocido no es una fecha conocida dentro del período. Dejá ese intento fuera del recuento limitado por fechas hasta que se conozca la fecha. No conviertas un dato faltante en un recuento de palabras de 0.

3. Determiná si el texto está completo

Este análisis usa únicamente el texto de las publicaciones. Para cada fila, anotá si el texto está lo bastante completo para incluirlo en el recuento. Guardá esa nota.

No tomes un estado ok como prueba de que el texto está completo. Tampoco tomes `postMetricStatus` como esa prueba. Si `text` falta o está incompleto, dejá la publicación fuera del denominador de textos completos. Agregá una copia aparte solo después de verificarla por tu cuenta.

No tomes palabras de una imagen. No tomes palabras de una página enlazada. No tomes palabras de un video. Un estado de fila exitoso puede dejar sin resolver esta cuestión sobre el texto.

El campo `text` contiene el texto observado en `observedAt`. Ese texto puede diferir de una versión anterior si se editó la publicación. También puede omitir una parte. Si esa diferencia cambiaría tu recuento, mantené el texto actual separado de cualquier copia anterior. No los combines sin registrar por escrito tu decisión.

4. Escribí la regla de identificación de términos antes de contar

Usá una única regla de coincidencia literal y anotala antes de asignar el primer indicador. La regla para el ejemplo en inglés de este artículo es fija.

No distingas entre mayúsculas y minúsculas. Buscá coincidencias solo de palabras completas. Una palabra completa tiene un límite a cada lado, o está al principio o al final del texto. Un límite es el borde de una palabra. Los espacios son límites. Un punto, una coma o una comilla también son límites. El signo no forma parte de la palabra. Según esta regla, los caracteres timer. coinciden con el término timer.

No reduzcas las palabras a su raíz. Una raíz es una forma abreviada de la palabra. No cuentes un sinónimo como si fuera el mismo término. Conservá el texto original sin cambios. Una frase de 2 o más palabras necesita su propia regla escrita. Otro sistema de escritura necesita su propia regla. Un enlace o un alias necesita su propia regla. Probá esa regla con el texto original antes de usarla.

Una coincidencia de palabra completa no significa que el autor apoye lo que expresa el término. No demuestra a qué entidad real se refiere la palabra.

5. Asigná un indicador a cada publicación apta

Un indicador binario tiene el valor 1 o 0. Usá 1 cuando el texto apto contenga el término según tu regla. Usá 0 cuando ese texto completo no lo contenga. Creá un indicador por término para cada publicación apta distinta.

La publicación es la unidad. Si el término aparece 5 veces en una publicación, el indicador sigue siendo 1. Esas repeticiones describen la redacción dentro de la publicación. No suman publicaciones. Una repetición exacta de la misma exportación tampoco suma una publicación.

Si 2 versiones de una publicación difieren, elegí la fuente antes de contar. Registrá la decisión. Registrá cualquier denominador que cambie. No conserves ambas versiones como si fueran 2 publicaciones.

6. Construí la tabla de 2 por 2

Elegí un término asociado y clasificá cada publicación apta en una de 4 celdas. Una celda corresponde a uno de los 4 recuentos. Las celdas son: ambos términos, solo el término objetivo, solo el término asociado y ninguno de los términos.

Informá n, el recuento de publicaciones con el término objetivo, el recuento de publicaciones con el término asociado y el recuento conjunto. n es la cantidad de publicaciones aptas.

Usá estas fórmulas sencillas:

proporción condicional = recuento conjunto / recuento de publicaciones con el término objetivo

proporción de referencia = publicaciones con el término asociado sin el término objetivo / publicaciones sin el término objetivo

La proporción condicional es la proporción de publicaciones con el término asociado entre las que contienen el término objetivo. La proporción de referencia es la proporción de publicaciones con el término asociado entre las que no contienen el término objetivo.

Si el recuento de publicaciones con el término objetivo es 0, la proporción condicional no está definida. Si la cantidad de publicaciones sin el término objetivo es 0, la proporción de referencia no está definida. Dejá la proporción en blanco. No escribas 0 para completar el espacio. Escribir 0 supondría afirmar que se midió un grupo vacío.

7. Compará las proporciones teniendo en cuenta los denominadores

Mostrá ambas fracciones. Una proporción condicional alta puede corresponder a una palabra común. La proporción de referencia permite ver esa posibilidad. Muchas coincidencias conjuntas no demuestran una conexión específica.

Esta muestra es pequeña y vos elegiste las URL. No puede representar a todo X. No puede demostrar causalidad. No puede indicar cuántas publicaciones usan el término en X. No puede indicar qué tan rápido cambia un patrón. No puede demostrar significación estadística. Ese término se refiere a una prueba formal que evalúa el papel del azar. Esta tabla no es esa prueba.

El autor puede citar un término sin apoyar lo que expresa. Revisar el significado es una tarea aparte. Usá las proporciones para describir estas publicaciones aptas.

8. Guardá el recuento y explicitá su límite

Guardá los indicadores de términos, la tabla del par, la regla escrita y el registro de exclusiones. Un lector solo puede reconstruir cada denominador si se guardan esos elementos.

Si necesitás todas las publicaciones coincidentes a lo largo del tiempo, indicá lo que esta muestra no puede hacer. Una lista de URL conocidas no es ese conjunto completo. Usá la muestra para examinar una idea explícita. Después, mejorá el marco de análisis escrito. No presentes la tabla como una tendencia de todo X.

Aplicá las mismas reglas a un ejemplo ficticio original

Aquí empieza el ejemplo ficticio original. Las publicaciones, los identificadores y los recuentos que siguen son un ejemplo didáctico. No son un resultado del Actor. No son OUTPUT. No estiman el uso del lenguaje en X. No demuestran causalidad.

Cada publicación tiene un identificador ficticio distinto y un texto completo según la regla anterior. Estos identificadores no son identificadores reales de publicaciones de X. Las mayúsculas y minúsculas no importan, por lo que Job coincide con job. El punto de una oración es un límite. Job está al principio, por lo que el inicio del texto es un límite. Aquí ninguna palabra contiene retry, timer o job únicamente como parte de una palabra más larga.

Las primeras cuatro publicaciones contienen retry, timer y job. Las siguientes dos contienen retry y job, pero no timer. La séptima contiene timer y job, pero no retry. Las últimas tres contienen solo job.

Sumá los indicadores. Retry suma 6. Timer suma 5. Job suma 10. Tanto retry como timer tienen el valor 1 en F1, F2, F3 y F4. El recuento conjunto es 4.

La tabla de retry y timer es:

n es 10. El recuento de publicaciones con el término objetivo es 6. El recuento de publicaciones con el término asociado es 5. El recuento conjunto es 4. Las 4 celdas son 4, 2, 1 y 3.

La proporción condicional es 4/6. Esa fracción se redondea a 66,7 por ciento. El denominador corresponde a las 6 publicaciones de la fila retry 1. No dividas 4 por el total de 10 publicaciones.

La proporción de referencia es 1/4, que equivale al 25 por ciento. El denominador corresponde a las 4 publicaciones de la fila retry 0. En esa fila, solo F7 contiene timer. El total de la columna timer 0 es 5. Ese es un total diferente. No uses 5 como denominador de esta proporción.

La tabla de retry y job usa las mismas 10 publicaciones:

El recuento conjunto de retry y job es 6. La proporción condicional es 6/6, que equivale al 100 por ciento. La proporción de referencia es 4/4, que equivale al 100 por ciento. Job tiene más coincidencias conjuntas que timer. Timer tiene 4. Job tiene 6. Las 2 proporciones de job son iguales, por lo que job no muestra ningún contraste en este ejemplo. Las celdas con 0 representan ausencias reales en textos completos. No representan textos faltantes.

Otros 2 intentos de obtener datos de la fuente no tienen texto. Mantenelos en un registro para el lector. No los llames F11 y F12. No los pongas en la celda de ninguno de los términos. No copies este registro en OUTPUT. No lo trates como `failedRows`. Cuando falta el texto, no se sabe si los términos están presentes. Eso no equivale a un indicador de ausencia. Tampoco es un fallo informado por la fuente que puedas deducir de la ausencia de una palabra.

La recopilación incluye 12 intentos de obtener datos de la fuente. De ellos, 10 corresponden a publicaciones aptas distintas con texto completo. En 2 intentos, el texto no está disponible. El denominador de textos completos sigue siendo 10.

Si un grupo con el término objetivo tuviera 0 publicaciones aptas, su proporción condicional no estaría definida. Si el grupo de referencia tuviera 0 publicaciones, esa proporción tampoco estaría definida. Escribí «no definida». No inventes un 0 por ciento.

Compará 4/6 con 1/4 únicamente para este ejemplo. La diferencia describe estas 10 oraciones. No describe todo X. No demuestra causalidad, significación estadística ni una tendencia. Job muestra por qué importa la segunda proporción. Su recuento conjunto es mayor, pero sus 2 proporciones son del 100 por ciento.